智能优化算法在无功优化中的应用综述_郝晓弘
智能优化算法应用于分布式电源配电网无功优化综述
关
键
词： 分布式 电源 ； 无功优化 ； 智能优化算法 ； 混合智能优化算法 ； 多 目标 智能优化 算法
文 献标 识 码 ： Ａ
中 图分 类 号 ： Ｔ Ｍ６ １
分布 式发 电（ Ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｅ ｄ Ｇ ｅ ｎ ｅ ｒ ａ ｔ ｉ ｏ ｎ ， Ｄ Ｇ） ， 是指 分散 在 一 定范 围 内 ， 利 用 多种 形 式进 行 发 电 ， 发 电设
时， 它也 具有 收敛 速度较 慢 ， 容易 陷入 局部最 优 等不 足之处 。
文献 ［ ６ ］ 中以 Ｐ 。 。 。 最小为 目标 函数 ， 应用改进的 Ｄ Ａ算法来对电力系统 中各种变量进行优化选择 。
收 稿 日期 ： ２ ０ １ ６ － ０ ７ － １ ０
作者简介 ： 孙 亮（ １ ９ ７ ３ 一 ） ， 男， 博士 ， 副教授 ， 主要研究方向 ： 新能 源技术 ． 电子邮箱 ： ４ １ ９ ３ ８ ８ ０ ６ ０ ＠ｑ ｑ ． ｃ ｏ ｍ（ 孙亮 ） ； ６ ４ ６ ９ ４ ３ ３ ６ ５ ＠ｑ ｑ ． ｃ ｏ ｍ（ 吕凌虹 ） ； ９ ５ ６ ０ ４ ０ ０ ８ ７ ＠ｑ ｑ ． ｃ ｏ ｍ（ 张秀琦 ） ； １ ５ ７ １ ３ ３ ２ ８ ０ ３ ＠ｑ ｑ ． ｃ ｏ ｍ（ 刘国炳）
１ ． ２ 粒 子 群算 法
粒子群优化算法 （ Ｐ Ｓ Ｏ） 最早是 由 Ｅ ｂ ｅ ｒ ｈ ａ ｒ ｔ 和Ｋ ｅ ｌ ｎ ｎ ｅ ｄ ｙ 提 出的。它仿照鸟群觅食行为 ， 使群体中的 个体能通过相互之间的信息共享和 自身经验的总结来修正其行动策略 ， 最终求得最优化 问题 的解 ］ 。 最优 解 的探 索仍 是通 过每 个粒 子 的竞争 与合 作来 完成 的 ， 但它 是在 其解 空 间 内 ， 根据 最优 的粒 子来 使后 续粒子进行尾随达到寻优效果 ， 这是与遗传算法的不同之处。但它依然存在低收敛精度 ， 难 以跳出局部
电力系统中的智能优化算法研究与应用
电力系统中的智能优化算法研究与应用近年来，随着电力系统的规模不断扩大和复杂度的增加，如何提高电力系统的运行效率成为一个重要的问题。
智能优化算法作为一种新兴的技术手段，在解决电力系统优化问题上展现出了巨大的潜力。
本文将探讨电力系统中智能优化算法的研究与应用，包括算法原理、应用场景以及未来发展方向。
智能优化算法是一类通过模拟人类智能和行为的计算方法，用于解决复杂的优化问题。
在电力系统中，智能优化算法可以用于调度、规划、控制和运行等方面，以提高电力系统的经济性、可靠性和可持续性。
首先，针对电力系统中的调度问题，智能优化算法可以用于优化发电机组的出力、电力交易的计划以及电力系统的负荷分配等。
例如，遗传算法可以通过对发电机组进行有目的的变异和交叉操作，寻找到最优的发电计划，从而最大化发电效益并减少供电成本。
此外，粒子群算法、蚁群算法等智能优化算法也可以通过模拟群体的协作和搜索行为，优化电力交易计划，确保电力供需平衡，降低系统运行风险。
其次，智能优化算法在电力系统规划方面也具有广泛的应用。
电力系统规划涉及到新电源的选址、输电线路的布置以及电力系统的容量扩展等问题。
传统的规划方法通常基于经验和启发式的策略，效果有限。
而智能优化算法，如遗传算法、模拟退火算法等，通过搜索全局最优解的方式，可以更准确、高效地解决电力系统规划问题，提高系统的规划水平和可持续发展能力。
此外，智能优化算法在电力系统的控制和运行中也扮演着重要角色。
电力系统的控制和运行涉及到各种约束条件的满足，如电压稳定、频率控制、电流平衡等。
传统的控制方法通常是基于数学模型的优化方法，但随着电力系统的规模变大和复杂度增加，传统方法的计算效率无法满足要求。
而智能优化算法则可以通过分布式计算、并行搜索等方式，提高控制和运行的效率，并优化电力系统的稳定性和鲁棒性。
然而，虽然智能优化算法在电力系统中展现出了巨大的潜力，但仍面临一些挑战。
首先，不同的应用场景对算法的需求差异很大，如对求解速度、解的精度、可执行性等的要求不同，需要根据具体问题选择合适的智能优化算法。
双DSP冗余控制的新型静止无功发生器控制器设计
双DSP冗余控制的新型静止无功发生器控制器设计
郝晓弘;王长录
【期刊名称】《电子测量技术》
【年(卷),期】2009()5
【摘要】为了提高静止无功发生器向电力系统输送无功功率的实时性与精确性,设计了一种双DSP控制的新型静止无功发生装置(SVG)。
介绍了控制系统的硬件、软件构成和功能,给出了无功电流检测及直流电压的控制方法。
具有控制器结构简单、控制精度高、补偿效果好的特点。
给出了SVG用于补偿无功功率以及改善电压质量时的仿真波形。
仿真结果表明,该装置能有效地补偿系统无功功率和因负荷无功功率引起的电压下降,从而提高输电线功率因数和传输效率。
【总页数】4页(P36-39)
【关键词】静止无功发生器;无功补偿;软硬件设计;数字信号处理器
【作者】郝晓弘;王长录
【作者单位】兰州理工大学电气工程与信息工程学院
【正文语种】中文
【中图分类】TM712
【相关文献】
1.基于DSP控制的新型静止无功补偿控制器的设计 [J], 钱志俊
2.基于双DSP的三相四线制二重化静止无功发生器设计 [J], 王英哲;饶云堂
3.基于DSP的静止无功功率发生器二次系统控制器的设计 [J], 孔德煜;陈国富;蔡
林海
4.基于DSP的新型静止无功发生器控制器的研制 [J], 李海鹏;牛培峰
5.基于DSP控制的静止无功发生器控制器的研究 [J], 王加宝;孟丽囡;高发亮;邢辉因版权原因，仅展示原文概要，查看原文内容请购买。
电力系统中的智能优化算法应用与效果评估
电力系统中的智能优化算法应用与效果评估智能优化算法在电力系统中的应用与效果评估随着社会经济的不断发展和人们对电能需求的逐渐增长，电力系统面临着越来越多的挑战。
传统的电力系统不仅在可靠性、效率、经济性等方面存在一些问题，而且还面临着新能源的高比例接入、需求侧参与和碳排放控制等新需求。
为了应对这些挑战，智能优化算法逐渐被应用于电力系统中，实现对电力系统的智能优化与管理。
本文将重点探讨智能优化算法在电力系统中的应用及其效果评估。
首先，智能优化算法在电力系统中的应用主要包括以下几个方面。
一、发电优化调度发电优化调度是指通过对发电机组的启停顺序、负荷调度和燃料消耗等因素进行优化，实现最佳发电量与负荷分配的匹配。
传统的发电调度方法往往只关注燃料成本，而忽视了其他因素，如发电机组的寿命、环境排放以及系统安全。
智能优化算法可以通过建立适当的发电调度模型，综合考虑各种因素，以实现发电运行的最优化。
例如，基于遗传算法、粒子群算法等智能优化算法进行发电优化调度，可以显著降低燃料消耗和环境排放，提高系统效率和经济性。
二、电能质量优化随着电力系统中新能源的大规模接入，电能质量问题日益突出。
智能优化算法可以通过建立合理的电能质量优化模型，优化电力系统的电压稳定性、谐波、闪变等参数，提高电网质量。
例如，在分布式电源接入电力系统中，通过优化分布式电源与电网之间的连接方式和容量配置，以最小化功率损耗和提高系统电压平稳性。
此外，智能优化算法还可以实现对电力系统中电力质量问题的实时监测与智能化管理，为运维人员提供决策支持和故障诊断。
三、电力需求侧管理电力需求侧管理是指通过调整用户的用电行为，实现电力系统需求与供给之间的协调。
智能优化算法可以分析用户的用电特征和行为模式，提供合理的用电建议，并根据用户的反馈信息进行动态调整。
通过对用户需求的智能管理，电力系统可以实现负荷均衡、峰谷调峰等功能，减少系统能耗。
例如，家庭智能电能管理系统可以通过学习用户的用电习惯，实现智能控制空调、热水器等电器的运行，优化用电负荷。
遗传算法在电力系统无功优化中的应用综述
） 0 9 % 利 用 目 标 函 数 变 量 的 编 码 进 行 求 解， 而不像传统方法那样使用变量来求解，它不受函数 约束条件 （如连续性、导数存在、单极值等） 的限 制，适合复杂问题的求解。 ） B 9 % 从群体出发在整个空间寻优，并进行 多极值比较，具备全局最优搜索性。同时在很多区
［ ， ， ］ ! % # " 生新的个体 。为了使一点交叉有更大的搜索
问题中易引起精度和效率的矛盾，从而造成了计算 量迅速增加； “海面悬崖”则影响了算法的收敛效 率。而采用实数编码，不仅提高解的精度和运算速 度 （在搜索空间较大时更为明显） ，也便于和其它搜 索技术结合，因此在实践中开始采用实数编码来求 解问题。由于无功优化问题中既含有离散变量，也 含有 连 续 变 量，因 此 可 将 两 种 编 码 方 式 混 合 采
电力系统无功优化是指在保证满足系统各种运 行方式约束的前提下，确定最优无功补偿地点和无 功补偿设备容量，从而保证以尽量少的无功补偿设 备投资，最大限度地提高系统电压稳定性，改善电 压质量，降低网损。显然该问题是典型的非线性规 划问题，解空间具有非线性、不连续、多不确定因 素等特点。一般将这种规划问题分为运行和投资规 划子问题。在投资规划子问题中，按最小总费用 （运行和投资） 优化配置新的无功电源。在运行规划 子问题中，按最小运行费用优化调度已有的并联无 功电源和变压器抽头整定值。电力系统中有关无功 运行和规划的问题愈来愈重要。 就无功优化的方法而言，现已提出的无功优化 方法如线性规划法、非线性规划法等常规的无功优 化方法以及人工智能系统分析方法等，尽管都具有 一定的优越性和适应性，并已成功地解决了电力系
! 遗传算法简介
遗传算法是 " # 世纪 $ # 年代由美国 ) * ! + * ’ , 大学的. 教授等开创的。其思想源于 %/ %/ 0 1 1 ’ $ 生物进化的“适者生存”规律，即“最适合自然环 境的群体往往产生了更大的后代群体” 。随后引起 了广泛的注意并在世界范围内掀起了研究热潮，其
智能算法在电力系统无功优化中的应用综述
智能算法在电力系统无功优化中的应用综述随着电力系统的规模不断扩大和无功优化的重要性日益凸显，智能算法在电力系统无功优化中的应用也日益受到关注。
智能算法具有快速、高效、准确的特点，可以有效解决电力系统无功优化问题，在提高电力系统运行效率、降低能耗和保障电力系统稳定性方面发挥重要作用。
本文将综述智能算法在电力系统无功优化中的应用，并对未来研究方向进行展望。
1.无功功率优化问题。
无功功率是电力系统中的重要参数之一，对于保证电力系统的稳定运行至关重要。
智能算法可以通过优化方法，将电力系统的无功功率控制在合理范围内，避免电压失稳、电流过载等问题的发生。
2.无功补偿设备的控制策略。
无功补偿设备是电力系统中常用的无功控制手段，可以通过补偿无功功率、调整电压和提供暂态稳定性支持等方式，改善电力系统的运行性能。
智能算法可以根据电力系统的需求及时调整无功补偿设备的控制策略，以达到无功优化的目的。
3.无功功率优化的调度问题。
电力系统的无功功率优化问题可以看作是一种资源分配问题，即如何合理调配电力系统的无功功率资源。
智能算法可以通过优化方法，将电力系统的无功功率资源分配在不同的负载节点上，以达到最佳的电力系统运行效果。
4.多目标无功优化问题。
电力系统无功优化涉及到多个目标函数，如电力系统的无功损耗、电压稳定度和电流负荷等。
智能算法可以通过多目标优化算法，将这些目标函数进行综合考虑，并找到最优解，从而实现电力系统的无功优化。
未来，智能算法在电力系统无功优化中的应用还可以进一步拓展和深化。
一方面，可以结合大数据、云计算等技术，构建电力系统的智能化管理平台，实时监测、分析和优化电力系统无功优化问题。
另一方面，可以引入更多先进的智能算法，如深度学习、强化学习等，以进一步提高电力系统无功优化的效果和精度。
总之，智能算法在电力系统无功优化中的应用具有重要的意义，可以提高电力系统的运行效率和稳定性。
随着技术的不断发展和应用的深入推进，相信智能算法在电力系统无功优化中的应用将会取得更加显著的效果。
智能算法在电力系统无功优化中的应用综述
智能算法在电力体系的无功优化中的应用1 引言电力体系的无功优化问题重要包含对电力体系中的电力无功抵偿装配投入的地点.容量的确认,以及发电机端电压的合营和载调压变压器分接头的调节等,是以,电力体系中的无功优化问题就是一个带有大量束缚前提的非线性计划问题.因为电力体系在社会成长进程中的重要感化,长期以来很多专家和学者都对电力体系中的无功优化问题进行了大量的研讨,并且采取很多办法来对电力体系无功优化问题进行求解.自从二十世纪六十年月,J. Carpentier 提出了电力体系最优潮流数学模子之后,对电力体系无功优化问题的研讨更是得到了长足的成长.今朝,跟着各类数学优化办法和信息技巧的成长,电力体系的无功优化问题的研讨也进入了一个新的范畴[1].今朝电力体系无功优化问题的算法重要有经典数学优化办法和人工智能优化办法两种.绝大多半的学者研讨把衔接电源点和负荷点或两个负荷点之间的馈线段作为研讨对象,把这条线路作为最小的接线单元,用近年来消失的智能算法进行寻优,如遗传算法.免疫算法.禁忌搜刮算法.粒子群算法.蚁群算法.模仿退火算法等.2 无功优化的数学模子无功优化问题在数学上可以描写为:在给定体系收集构造和参数以及体系负荷的前提下,肯定体系的掌握变量,知足各类等式.不等式束缚,使得描写体系运行效益的某个给定目的函数取极值.其数学模子[2]暗示为:（2.1）式中,f暗示目的函数,u是掌握变量,包含发电机的机端电压.有载调压变压器的变比.无功抵偿装配的容量;x是状况变量,平日包含各节点电压和发电机的无功出力.无功优化模子有很多种类,大体有以下几种模子:1)以体系的有功网损最小为优化的目的函数,在削减体系有功功率损耗的同时改良电压质量:个中离为节点i,j的电压i,j的相角差.2)以体系的总无功抵偿量最小为目的函数,如许能使总的抵偿费用达到最小（2.3）式中i的无功抵偿年费用系数数i的无功抵偿容量有功网损.3)以全体系火电机组燃料的总费用为目的函数,即（2.4）i台发电机的耗式中量特征,一般用二次多项式暗示3智能算法3.1 遗传算法遗传算法直接对求解对象进行选择.交叉和变异操纵,遗传算法的重要特色是对参数编码进行操纵,而不是对参数本身;同时对多个点的编码进行搜刮,采取随机转换规矩,而非肯定性规矩[3].遗传算法以其简略通用.鲁棒性强.应用范围广.相符并行处理请求等特色,使得遗传算成为了二十一世纪最症结的智能盘算之一.在遗传算法浩瀚的应用范畴中,组合优化是遗传算法最根本.最终要的应用范畴之一[4].组合优化问题本质在有限的.离散的数学构造上,找到一个可以或许知足所有束缚前提,并且可以或许取到目的函数最大值和最小值的解.例如电力体系的无功优化问题就是一个典范的组合优化问题.3.1.1 遗传算法的道理简略遗传算法的遗传方法比较简练,即在转盘赌选择.单点交叉及变异等遗传操纵下进行优化,这种选择办法是主如果根据根据每个个别的顺应度值在全部种群中的比重来断定是否被选择,所以个别被选中的概率与其顺应度值成正例的关系[5].它所须要时光长,一般不采取.假设群体范围为i个染色体的顺应度值,它被选N份,每份则其选择实现步调是:在[0,1]范围内随机产生一个随机数r,若如许可知个别的顺应度值越大,该个别所占的扇形空间就大,则被选中的可能性也就越大.所以选择办法是按照适者生计的原则来进行的,只有顺应度值大的个别才有机遇被保存鄙人一代群体中,从而可进步全部群体的平均顺应度值.该改良遗传算法的计谋思惟是构造一套付与每个个别滋生次数的算法,根据个别鄙人一代群体中的生计数量来肯定它滋生子女的次数.个别的滋生次数越多,被选中的概率就越大,它滋生子女的几率就越大;相反个别的滋生次数越少,被选中的概率就越小,它滋生子女的几率就越小,该算法充分表现出遗传算法中优越劣汰的思惟.它的长处是轻易实行操纵,不但进步了算法的搜刮速度,还有利于全局最优解的搜刮[6].基于以上的描写,付与每个个别滋生次数的选择计谋具体操纵进程如下:1）2）3）盘算群体中各个个别鄙人一代群体中的期望的滋生次数（2.5）个中,4）随机选择种群中的一个个别,假如它的生计数量大于0,这个个别就被选中,用来滋生一次子女,然后它的滋生数量减1.假如等于0,则被舍弃.3.1.3 遗传算法应用于电力体系的无功优化文献[7]卖力研讨了简遗传算法在无功优化中的应用,作为一种以网损微增率为焦点的优化办法,该办法具有简略便利.优化速度快等特色.文献[8]针对电力体系的无功优化问题,树立以电力体系中,电能损耗最小作为电力体系无功优化问题的目的函数,并且发电机无功越限.节点电压越限作为问题的奖励函数来进行电力体系无功优化数学模子的研讨.然后,针对电力体系无功优化的特色,进行遗传算法的改良,并且对改良遗传算法中的染色体编码算法,选择.变异.交叉等遗传算子,顺应度函数的设计以及终止前提的肯定等方面,对改良遗传算法的设计进行研讨.3.2 粒子群算法粒子群优化算法（Particle Swarm Optimization,简称PS0)是一种基于群体智能的随机搜刮优化算法,最早由Kennedy和Eberhart于1995年提出.该算法最初源于对鸟群捕食行动的研讨,后来发明粒子群是一种很好的优化对象.与其他进化算法相相似,粒子群算法经由过程个别间的协作与竞争,实现庞杂空间中最优解的搜刮[9].粒子群算法起首随机生成初始种群,在可行解空间中随机产生一群粒子(潜在的解),每个粒子将在解空间中活动,并在粒子的每一维中有一个速度决议其进步的偏向.平日粒子跟随当前的最优粒子而动,并逐代搜刮最后得到最优解.在每一代中,粒子将跟踪两个极值,一为粒子本身迄今找到的最优解pbest另一为全种群迄今找到的最优解动gbest,粒子群中每个粒子经由过程跟踪本身和群体所发明的最优值,不竭修改本身的进步偏向和速度,从而实现寻优[10].3.2.1 粒子群算法的步调根本粒子群算法步调如下[11]:步调1:初始化.设定粒子群参数:种群范围N,维数D,搜刮空间进修因子c1和c2,粒子速度选择顺应度目的函数.步调2:拔取顺应度目的函数并盘算粒子的顺应度值.将粒子的当前顺应度和地位作为粒子的个别最优值和最优地位,从个别最优值中找出顺应度值最好的粒子最优值作为全局最优值,并记载其地位为.步调3:对粒子速度和地位进行更新.步调4:将更新后的顺应度值和粒子自身的个别最优值进行比较,若更新后的顺应度值加倍优良,则用其调换原个别最优值,并更新当前最优地位,将更新后的各粒子最优值t与原全局最优值,进行比较,若更新后的顺应度值加倍优良,更新全局最优值和全局最优粒子地位.步调5:断定是否知足终止前提.根据设定的判别前提进行判别(平日为最大迭代次数或最小误差),假如知足判别前提,则停止迭代,输出最优解.不然返回步调3,持续进行迭代.步调6:输出最优值和最优地位,算法运行停止.3.2.2 粒子群算法改良措施粒子群算法因为其迭代后期轻易陷入局部最优,收敛精度低,易发散等缺陷,须要对粒子群算法进行一些修改和改良,重要有以下三点措施:(1)基于粒子群中各类参数的改良,重要包含:惯性权重的调节,进修因子的改良,种群范围的拔取,算法终止前提的设定等;(2)与其他优化算法相联合,取长补短,有针对性的进行改良;(3)算法拓扑构造的改良,拓扑构造重要分为全局版和局部版两种,可针对这两种分离进行改良.文献[12]为懂得决惯性权重的费时低效问题,提出了一种非线性动态计谋—基于横竖切函数的惯性权重.在粒子群算法的公式中,进修因子cl和c2决议了粒子自身经验和群体经验对粒子活动轨迹的影响,反应了粒子间信息交换的强弱,是以合理的设置c1和c2将有利于种群尽快的查找到最优解.文献[13]提出一种线性调剂进修因子的计谋,它的主导思惟是c1先大后小,c2先小后大,总体来说就是,在粒子群进行搜刮的初始阶段,粒子的飞翔重要按照粒子本身的经验,当搜刮到后期阶段时,粒子的飞翔加倍重视群体社会的经验.该办法经由验证能得到幻想的后果,但是因为后期种群的多样性损掉,轻易早熟收敛.3.2.3 粒子群算法应用与电力体系无功优化文献[14]将自顺应粒子群算法应用于IEEE30节点体系的无功优化问题中,经由过程在优化进程中主动调节粒子群算法的有关参数实现无功的优化盘算.文献[15]应用粒子群算法求解电力体系的最优潮流问题,根据模仿退火道理肯定粒子群算法的惯性权重因子值,以改良粒子群算法的机能,仿真盘算成果显示,粒子群算法在解决最优潮流问题时有很好的应用远景.3.3 蚁群算法受蚁群在觅食进程中总能找到一条从蚁巢到食物源的最短路径启示,意大利Dorigo M,Maniezzo V,Colorni A等人经由大量的不雅察和试验发明,蚂蚁在觅食进程中留下了一种外激素,又叫信息激素.它是蚂蚁排泄的一种化学物资,蚂蚁在查找食物的时刻会在经由的路上留下这种物资,以便在回巢时不至十迷路,并且便利找到回巢的最好路径.由此,Dorigo M等人起首提出了一种新的启示式优化算法,叫蚁群算法(ACA).蚁群算法是最新成长的一种模仿虫豸土国中蚂蚁群体智能行动的仿生优化算法,它具有较强的鲁棒性.优良的散布式盘算机制.易十与其他办法相联合等长处.该算法起首用十求解有名的观光商问题(简称TSP )并获得了较好的后果.在上个世纪90年月中期,这种算法逐渐引起了很多研讨者的留意,并对该算法作了各类改良或将其应用十更为普遍的范畴,取得了一些令人鼓舞的成果.3.3.1 蚁群算法的道理蚁群算法的进程[16]可描写为：1）初始化:将蚂蚁散布于各个城市并初始信息素及蚂蚁数量等等.2）构造周游:起首对每只蚂蚁用转移概率在记忆表中没有的城市中选摘要移动的下一个城市,将所选城市放入记忆表,当每只蚂蚁周游一圈后,盘算周游长度,局部更新信息素.3）全局更新信息素:所有蚂蚁周游一圈后,用信息素更新规矩更新各边上的信息素;然后比较所有的周游长度,找出最短长度;最后将记忆表清空,回到上一步.4）不竭迭代直至知足停止前提.停止前提一般是设定迭代次数或者知足所求问题的精度请求.由上述可知:蚁群算法的优化进程本质在于:（1）选择机制.路径的信息量越大,被选择的概率也越大;（2）更新机制.每条路径上的信息量会随蚂蚁的经由而增加,但同时也会跟着时光的推移逐渐减小;（3）调和机制.蚁群算法中,蚂蚁之间是经由过程信息量要互相通讯的.这种机制使得蚁群算法有很强的发明较好解的才能.3.3.2 蚁群算法的改良措施蚁群算法在解决简略或者庞杂优化问题时都表示出了优越的机能,但在处理像电力体系无功优化如许的大范围问题时,蚁群算法依旧吐露出了一些缺陷[17].如:1)算法轻易消失停止现象,当蚁群搜刮一段时光后,由十算法的全局搜刮才能缺少,蚁群会过早的收敛十局部最优解;2)成果经常在局部与全局最优解之间重复,导致搜刮时光过长.为懂得决蚁群算法在这两个方面缺少,很多学者都在致力于蚁群算法的改良研讨.文献[18]对蚁群算法本身的理论部分进行研讨,针对蚁群算法应用于求解无功优化等庞杂非线性优化问题中轻易产生“早熟”和收敛速度慢等问题,提出了几点有用的改良计谋,对蚁群算法加以改良.经由过程改良,蚁群算法在寻优进程中可以或许很好地跳出局部最优解,加强了全局寻优才能和进步了盘算精度,同时保存了根本遗传算法的长处.文献[17]在总结了国表里蚁群算法的研讨成果,并评论辩论一种自顺应蚁群算法用于电力体系动态无功优化问题.其自顺应蚁群算法重要涉及到概率选择,信息量与信息素挥发因子的自顺应调剂以及信息素的更新计谋.文献[19]提出了基于层次聚类法和蚁群算法的配电网无功优化办法.该办法以有功网损最小树立目的函数,在束缚前提中引入了最优网损微增率准则.应用层次聚类法对敏锐度进行聚类剖析,以肯定待抵偿点范围,聚合原则及拆分原则可有用实现聚类,不受随机性和工资干扰影响.经由过程改良将蚁群算法肯定抵偿地位和容量,能见度因子取为候选节点敏锐度,使状况转移概率可以或许随时反应抵偿变更情形,改良蚁群搜刮计谋可防止盲目抵偿.4 总结电力体系无功优化是在电力体系有功电源和有功负荷及有功潮流散布给定的情形下,拔取发电机机端电压.有载调压变压器变比和无功抵偿装配的无功投入容量为掌握变量,以发电机无功出力和PQ节点电压为状况变量,在知足电力体系无功负荷的需求下,以有功网损.总无功抵偿量.全体系火电机组燃料的总费用为目的函数,经由过程采取各类优化技巧,寻得最佳抵偿容量,改良体系无功散布,进步体系整体的电压质量,包管电力网安然.经济.稳固的供电.基于以上的思绪,本文在具体介绍了了用于电力体系无功优化的三种算法—遗传算法.粒子群算法.蚁群算法,具体描写了这三种算法的相干常识,并在此基本上提出了本身的改良措施.本文具体的工作总结如下:1）阐述了电力体系进行无功优化的重要性和须要性,介绍了无功优化范畴的研讨近况,在浏览大量的国表里相干文献的基本上,总结了用于无功优化的传统算法和人工智能算法的特色,比较了它们之间的差别,从中拔取了遗传算法.粒子群算法.蚁群算法作为本文的研讨对象.2）体系的总结了现阶段无功优化的几种数学模子,并且介绍了以有功网损.总无功抵偿量.全体系火电机组燃料的总费用为目的函数的三种数学模子,列举了须要知足的各类等式和不等式束缚前提.3）介绍了各类算法的起源.基起源基本理.迭代公式和实现流程,在此基本上具体介绍了国表里几种比较成功的改良措施:（1）改良遗传算法的计谋思惟是构造一套付与每个个别滋生次数的算法,根据个别鄙人一代群体中的生计数量来肯定它滋生子女的次数.个别的滋生次数越多,被选中的概率就越大,它滋生子女的几率就越大;相反个别的滋生次数越少,被选中的概率就越小,它滋生子女的几率就越小.（2）粒子群算法的改良重要包含惯性权重的调节,进修因子的改良,种群范围的拔取,算法终止前提的设定等,并且与其他优化算法相联合,取长补短,有针对性的进行改良,还可以对算法的拓扑构造进行改良.（3）对蚁群算法的改良,主如果对蚁群算法本身的理论部分进行研讨,还可以对信息量与信息素挥发因子进行自顺应调剂.参考文献[1]林周泉. 基于改良遗传算法的电力体系无功优化[D].南华大学,2013.[2]刘天琪.现代电力体系剖析理论与办法[M].中国电力出版社,2007.[3]P.Subbaraj,P.N.Rajnarayanan. Optimal reactivepowerdispatchusingself-adaptive real coded genetic algorithm[J]. Electric Power Systems Research . 2008 (2) [4]蒲永红. 改良遗传算法在无功优化中的应用研讨[D].山东大学,2007.[5]苏琳. 基于改良遗传算法的电力体系无功优化[D].西南交通大学,2006.[6]徐谱府. 经典法与遗传算法在电力体系无功优化中的应用研讨[D].南昌大学,2013.[8]俞悦. 电力体系无功优化的改良遗传算法及其程序实现[D].重庆大学,2005.[9]解伟. 基于改良粒子群算法的无功优化研讨与应用[D].华北电力大学（北京）,2007.[10] J. Kennedy,R. Mendes. Population Structure and Particle Swarm Performance [C].Proceedings of the IEEE Congress on Evolutionary Computation. Piscatawat. NJ,2002: 1671一1675.[11]姜辛. 基于改良粒子群算法的电力体系无功优化研讨[D].大连海事大学,2014.[12] Y Shi,R.C. Eberhart. Fuzzy Adaptive Particle Swarm Optimization [C]. Proceedings of the Congress on Evolutionary Computation. 搜刮引擎优化ul, Korea, 2001:101一106.[13]Clerc M.,The swarm and the queenaowards a deterministic and adaptive particle swarm optimization,Proceedings of the Congress on Evolutionary Computation, Piscataway,1999,pp: 1951一1957.[14] Zhang W Liu Y. An adaptive PSO algorithm for reactive power optimization . Advances in power System Control Oplimization and Management,S6-Application of Artificial Intelligence Technique.Hongkong: China 2003: 1534=1538 [15]Abido MA Optimal power flow using particle swarm optimization. electric Power and Energy System 2002,24(7):563~571[16]鲜宏章. 基于自顺应蚁群算法的电力体系无功优化研讨[D].电子科技大学,2008.[17]张仲. 基于改良蚁群算法的配电网无功优化[D].长沙理工大学,2010.[18]谭松柏. 基于混沌蚁群算法的配电网无功优化研讨[D].华南理工大学,2012.[19]王韶,周鑫. 应用层次聚类法和蚁群算法的配电网无功优化[J]. 电网技巧,2011,08:161-167.。
电力系统中智能优化算法的研究与应用
电力系统中智能优化算法的研究与应用概述：电力系统是现代社会运转不可或缺的重要基础设施，随着电力需求的不断增长和能源资源的日益稀缺，为确保电网的可靠运行和优化电力系统的效率，研究和应用智能优化算法在电力系统中变得越发重要。
1. 电力系统中的智能优化算法概述电力系统的复杂性和不确定性给传统的优化算法带来了挑战。
智能优化算法基于智能计算技术，能够提供针对电力系统中的各种问题的优化解决方案。
智能优化算法包括适应度函数、搜索策略和优化算法等。
常见的智能优化算法包括遗传算法、粒子群优化算法、蚁群优化算法和模拟退火算法等。
2. 智能优化算法在电力系统调度中的应用电力系统调度是电力系统运行的核心环节，该环节涉及到优化问题，如经济调度问题和发电机组出力优化等。
智能优化算法在电力系统调度中的应用能够提供最优的解决方案，如最小化总发电成本、最大化系统效率等。
通过智能优化算法的应用，电力系统调度可以实现对电力资源的合理分配和经济利用，提高整个电力系统的效率。
3. 智能优化算法在电力系统规划中的应用电力系统规划是指根据电力需求和发展趋势，确定电力系统的长期发展方案。
智能优化算法在电力系统规划中的应用可以提供关键的决策支持，如优化电源配置、最佳输电线路布局等。
通过智能优化算法的引入，电力系统规划可以更好地满足未来电力需求，提高电力系统的可持续发展性。
4. 智能优化算法在电力系统故障检测与诊断中的应用电力系统故障的检测与诊断是保证电力系统运行安全和可靠性的关键环节。
智能优化算法在故障检测与诊断中的应用能够实现对电力系统的实时监测、快速定位和快速诊断。
通过智能优化算法的引入，可以提高故障检测与诊断的准确性和效率，并及时采取相应的措施解决故障。
5. 智能优化算法在电力系统中的未来发展随着信息技术的不断发展和电力系统的智能化进程，智能优化算法在电力系统中的应用前景非常广阔。
未来发展方向包括深度学习算法、多目标优化算法和基于人工智能的协同优化算法等。
电力系统中的智能优化算法在电能质量控制中的应用
电力系统中的智能优化算法在电能质量控制中的应用随着电力系统规模不断扩大和负荷不断增加，电能质量控制成为一个越来越重要的问题。
电能质量的好坏直接影响到电力系统的稳定性和供电质量，而传统的控制方法往往无法满足日益增长的需求。
智能优化算法作为一种新兴的技术手段，在电能质量控制中显示出了巨大的潜力。
智能优化算法通过模拟大自然界的优化过程，以寻找一个最优解来解决复杂的问题。
在电能质量控制中，智能优化算法可以用于多个环节，包括功率调度、谐波抑制、电力质量改善等。
首先，智能优化算法可以应用于电力系统的功率调度中。
电力系统的负荷分布和电能供给不均匀是导致电能质量问题的重要原因之一。
通过智能优化算法可以优化电力系统的负荷分配，使得各个节点的电能供给更加均衡，从而减少负荷波动和电能供应不稳定的问题。
例如，可以采用遗传算法来优化发电机组的出力分配，或者使用粒子群算法进行电网负荷预测，从而合理调度电力资源，保证电能供应的稳定性和可靠性。
其次，智能优化算法可以用于谐波抑制。
谐波是电力系统中常见的质量问题，会导致电能质量的下降和电力设备的损坏。
传统的谐波抑制方法通常是在电力系统中添加谐波滤波器或者改进电力设备的结构。
然而，这些方法往往依赖于经验和试错，效果并不理想。
而智能优化算法通过优化电力系统中的参数，可以更准确地找到谐波源，并自动调整电力设备的工作状态，以抑制谐波的产生和传播。
例如，可以利用遗传算法对谐波源进行识别和定位，并用最优的方式抑制谐波。
此外，智能优化算法还可以应用于电力质量的改善。
电力质量问题包括电压波动、频率偏差、瞬时电压变化等，会对电力设备的正常运行和用户的用电质量产生不良影响。
传统的电力质量改善方法通常是采用补偿设备或者控制系统来消除不良影响，但这些方法往往需要大量的人工干预。
智能优化算法可以通过对电力系统的参数进行优化，自动调整电力设备的工作状态以减小电力质量问题。
例如，可以利用粒子群算法对电压的调整范围和响应速度进行优化，以实现电力质量的改善。
智能算法在电力系统无功优化中的应用综述
智能算法正在电力系统的无功劣化中的应用之阳早格格创做1 弁止电力系统的无功劣化问题主要包罗对于电力系统中的电力无功补偿拆置加进的天面、容量的确认，以及收电机端电压的协共战载调压变压器分接洽的安排等，果此，电力系统中的无功劣化问题便是一个戴有洪量拘束条件的非线性筹备问题.由于电力系统正在社会死少历程中的要害效率，少久此后很多博家战教者皆对于电力系统中的无功劣化问题举止了洪量的钻研，而且采与很多要收去对于电力系统无功劣化问题举止供解.自从二十世纪六十年代，J. Carpentier提出了电力系统最劣潮流数教模型之后，对于电力系统无功劣化问题的钻研更是得到了少脚的死少.暂时，随着百般数教劣化要收战疑息技能的死少，电力系统的无功劣化问题的钻研也加进了一个新的范畴[1].暂时电力系统无功劣化问题的算法主要有典范数教劣化要收战人为智能劣化要收二种.绝大普遍的教者钻研把对接电源面战背荷面大概二个背荷面之间的馈线段动做钻研对于象，把那条线路动做最小的接线单元，用连年去出现的智能算法举止寻劣，如遗传算法、免疫算法、禁忌搜索算法、粒子群算法、蚁群算法、模拟退火算法等.2 无功劣化的数教模型无功劣化问题正在数教上不妨形貌为:正在给定系统搜集结媾战参数以及系统背荷的条件下，决定系统的统制变量，谦脚百般等式、不等式拘束，使得形貌系统运止效率的某个给定目标函数与极值.其数教模型[2]表示为:（2.1）式中，f 表示目标函数，u 是统制变量，包罗收电机的机端电压、有载调压变压器的变比、无功补偿拆置的容量;x 是状态变量，常常包罗各节面电压战收电机的无功着力.无功劣化模型有很多种类，大概有以下几种模型:1)以系统的有功网益最小为劣化的目标函数，正在缩小系统有功功率耗费的共时革新电压品量:其中i ，j i ，j 的相角好. 2)以系统的总无功补偿量最小为目标函数，那样能使总的补偿费用达到最小（2.3）ii.3)以齐系统火电机组焚料的总费用为目标函数，即（2.4）i台收电i台收电机的有功着力.3智能算法3.1 遗传算法遗传算法间接对于供解对于象举止采用、接叉战变同支配，遗传算法的主要个性是对于参数编码举止支配，而不是对于参数自己；共时对于多个面的编码举止搜索，采与随机变换准则，而非决定性准则[3].遗传算法以其简朴通用、鲁棒性强、应用范畴广、切合并止处理央供等个性，使得遗传算成为了二十一世纪最闭键的智能估计之一.正在遗传算法稠密的应用范畴中，拉拢劣化是遗传算法最基础、最后要的应用范畴之一[4].拉拢劣化问题真量正在有限的、得集的数教结构上，找到一个不妨谦脚所有拘束条件，而且不妨与到目标函数最大值战最小值的解.比圆电力系统的无功劣化问题便是一个典型的拉拢劣化问题.3.1.1 遗传算法的本理简朴遗传算法的遗传办法比较简净，即正在转盘赌采用、单面接叉及变同等遗传支配下举止劣化，那种采用要收是主假如根据依据每个个体的切合度值正在所有种群中的比沉去推断是可被采用，所以个体被选中的概率与其切合度值成正例的闭系[5].它所需要时间少，普遍不采与.假设集体规模为Ni个染色体的切合度值，i=1，2，3，…，N.再将圆盘分成N则其采用真止步调是:正在[0，1]范畴内随机爆收一个随机数r值越大，该个体所占的扇形空间便大，则被选中的大概性也便越大.所以采用要收是依照适者存正在的准则去举止的，惟有切合度值大的个体才有机会被死存留住一代集体中，进而可普及所有集体的仄衡切合度值.该矫正遗传算法的战术思维是构制一套给予每个个体繁殖次数的算法，根据个体正在下一代集体中的存正在数目去决定它繁殖后代的次数.个体的繁殖次数越多，被选中的概率便越大，它繁殖后代的几率便越大;好同个体的繁殖次数越少，被选中的概率便越小，它繁殖后代的几率便越小，该算法充分体现出遗传算法中劣胜劣汰的思维.它的便宜是简单真施支配，不然而普及了算法的搜索速度，另有好处齐部最劣解的搜索[6].鉴于以上的形貌，给予每个个体繁殖次数的采用战术简曲支配历程如下:1）i=1，2，…，N；2）3）估计集体中各个个体正在下一代集体中的憧憬的繁殖（2.5）4）随机采用种群中的一个个体，如果它的存正在数目大于0，那个个体便被选中，用去繁殖一次后代，而后它的繁殖数目减1.如果等于0，则被放弃.3.1.3 遗传算法应用于电力系统的无功劣化文件[7]严肃钻研了简遗传算法正在无功劣化中的应用，动做一种以网益微删率为核心的劣化要收，该要收具备简朴便当、劣化速度快等个性.文件[8]针对于电力系统的无功劣化问题，建坐以电力系统中，电能耗费最小动做电力系统无功劣化问题的目标函数，而且收电机无功越限、节面电压越限动做问题的处奖函数去举止电力系统无功劣化数教模型的钻研.而后，针对于电力系统无功劣化的个性，举止遗传算法的矫正，而且对于矫正遗传算法中的染色体编码算法，采用、变同、接叉等遗传算子，切合度函数的安排以及末止条件的决定等圆里，对于矫正遗传算法的安排举止钻研.3.2 粒子群算法粒子群劣化算法（Particle Swarm Optimization，简称PS0)是一种鉴于集体智能的随机搜索劣化算法，最早由Kennedy 战Eberhart于1995年提出.该算法最初源于对于鸟群捕食止为的钻研，厥后创制粒子群是一种很好的劣化工具.与其余进化算法相类似，粒子群算法通过个体间的协做与比赛，真止搀纯空间中最劣解的搜索[9].粒子群算法最先随机死成初初种群，正在可止解空间中随机爆收一群粒子(潜正在的解)，每个粒子将正在解空间中疏通，并正在粒子的每一维中有一个速度决断其前进的目标.常常粒子逃随目前的最劣粒子而动，并逐代搜索末尾得到最劣解.正在每一代中，粒子将逃踪二个极值，一为粒子自己迄今找到的最劣解pbest另一为齐种群迄今找到的最劣解动gbest，粒子群中每个粒子通过逃踪自己战集体所创制的最劣值，不竭建正自己的前进目标战速度，进而真止寻劣[10]. 3.2.1 粒子群算法的步调基础粒子群算法步调如下[11]:步调1:初初化.设定粒子群参数:种群规模N，维数D，搜索教习果子c1战c2，用切合度目标函数.步调2:采用切合度目标函数并估计粒子的切合度值.将粒子的目前切合度战位子动做粒子的个体最劣值战最劣位子，从个体最劣值中找出切合度值最佳的粒子最劣值动做齐部最劣值，并记录其位子为.步调3:对于粒子速度战位子举止革新.步调4:将革新后的切合度值战粒子自己的个体最劣值举止比较，若革新后的切合度值越收特出，则用其替换本个体最劣值，并革新目前最劣位子，将革新后的各粒子最劣值t 与本齐部最劣值，举止比较，若革新后的切合度值越收特出，革新齐部最劣值战齐部最劣粒子位子.步调5:推断是可谦脚末止条件.根据设定的判别条件举止判别(常常为最大迭代次数大概最小缺面)，如果谦脚判别条件，则停止迭代，输出最劣解.可则返回步调3，继承举止迭代.步调6:输出最劣值战最劣位子，算法运止中断.3.2.2 粒子群算法矫正步伐粒子群算法由于其迭代后期简单坠进局部最劣，支敛粗度矮，易收集等缺面，需要对于粒子群算法举止一些建正战矫正，主要有以下三面步伐:(1)鉴于粒子群中百般参数的矫正，主要包罗:惯性权沉的安排，教习果子的矫正，种群规模的采用，算法末止条件的设定等；(2)与其余劣化算法相分离，与少补短，有针对于性的举止矫正；(3)算法拓扑结构的矫正，拓扑结构主要分为齐部版战局部版二种，可针对于那二种分别举止矫正.文件[12]为了办理惯性权沉的费时矮效问题，提出了一种非线性动背战术—鉴于反正切函数的惯性权沉.正在粒子群算法的公式中，教习果子cl战c2决断了粒子自己体味战集体体味对于粒子疏通轨迹的效率，反映了粒子间疑息接流的强强，果此合理的树坐c1战c2将有好处种群尽量的寻找到最劣解.文件[13]提出一种线性安排教习果子的战术，它的主宰思维是c1先大后小，c2先小后大，总体去道便是，正在粒子群举止搜索的初初阶段，粒子的飞止主要依照粒子自己的体味，当搜索到后期阶段时，粒子的飞止越收注沉集体社会的体味.该要收通过考证能得到理念的效验，然而是由于后期种群的百般性丧得，简单早死支敛.3.2.3 粒子群算法应用与电力系统无功劣化文件[14]将自切合粒子群算法应用于IEEE30节面系统的无功劣化问题中，通过正在劣化历程中自动安排粒子群算法的有闭参数真止无功的劣化估计.文件[15]应用粒子群算法供解电力系统的最劣潮流问题，根据模拟退火本理决定粒子群算法的惯性权沉果子值，以矫正粒子群算法的本能，仿真估计截止隐现，粒子群算法正在办理最劣潮流问题时有很好的应用前景.3.3 蚁群算法受蚁群正在寻食历程中总能找到一条从蚁巢到食物源的最短路径开收，意大利Dorigo M，Maniezzo V，Colorni A 等人通过洪量的瞅察战真验创制，蚂蚁正在寻食历程中留住了一种中激素，又喊疑息激素.它是蚂蚁分泌的一种化教物量，蚂蚁正在寻找食物的时间会正在通过的路上留住那种物量，以便正在回巢时不至十迷路，而且便当找到回巢的最佳路径.由此，Dorigo M等人最先提出了一种新的开收式劣化算法，喊蚁群算法(ACA).蚁群算法是最新死少的一种模拟昆虫土国中蚂蚁集体智能止为的仿死劣化算法，它具备较强的鲁棒性、劣良的分集式估计体制、易十与其余要收相分离等便宜.该算法最先用十供解出名的旅止商问题(简称TSP )并赢得了较好的效验.正在上个世纪90年代中期，那种算法渐渐引起了许多钻研者的注意，并对于该算法做了百般矫正大概将其应用十更为广大的范畴，博得了一些令人饱舞的成果.3.3.1 蚁群算法的本理蚁群算法的历程[16]可形貌为：1）初初化:将蚂蚁分集于各个皆会并初初疑息素及蚂蚁数量等等.2）构制环游:最先对于每只蚂蚁用变化概率正在影象表中不的皆会中采用要移动的下一个皆会，将所选皆会搁进影象表，当每只蚂蚁环游一圈后，估计环游少度，局部革新疑息素.3）齐部革新疑息素:所有蚂蚁环游一圈后，用疑息素革新准则革新各边上的疑息素;而后比较所有的环游少度，找出最短少度;末尾将影象表浑空，回到上一步.4）不竭迭代曲至谦脚停止条件.停止条件普遍是设定迭代次数大概者谦脚所供问题的粗度央供.由上述可知:蚁群算法的劣化历程真量正在于:（1）采用体制.路径的疑息量越大，被采用的概率也越大;（2）革新体制.每条路径上的疑息量会随蚂蚁的通过而删少，然而共时也会随着时间的推移渐渐减小;（3）协做体制.蚁群算法中，蚂蚁之间是通过疑息量要相互通疑的.那种体制使得蚁群算法有很强的创制较好解的本收.3.3.2 蚁群算法的矫正步伐蚁群算法正在办理简朴大概者搀纯劣化问题时皆表示出了劣良的本能，然而正在处理像电力系统无功劣化那样的大规模问题时，蚁群算法依旧表暴露了一些缺面[17].如:1)算法简单出现停滞局里，当蚁群搜索一段时间后，由十算法的齐部搜索本收缺累，蚁群会过早的支敛十局部最劣解;2)截止时常正在局部与齐部最劣解之间反复，引导搜索时间过少.为了办理蚁群算法正在那二个圆里缺累，许多教者皆正在齐力于蚁群算法的矫正钻研.文件[18]对于蚁群算法自己的表里部分举止钻研，针对于蚁群算法应用于供解无功劣化等搀纯非线性劣化问题中简单爆收“早死”战支敛速度缓等问题，提出了几面灵验的矫正战术，对于蚁群算法加以矫正.通过矫正，蚁群算法正在寻劣历程中不妨很好天跳出局部最劣解，巩固了齐部寻劣本收战普及了估计粗度，共时死存了基础遗传算法的便宜.文件[17]正在归纳了海内中蚁群算法的钻研成果，并计划一种自切合蚁群算法用于电力系统动背无功劣化问题.其自切合蚁群算法主要波及到概率采用，疑息量与疑息素挥收果子的自切合安排以及疑息素的革新战术.文件[19]提出了鉴于条理散类法战蚁群算法的配电网无功劣化要收.该要收以有功网益最小建坐目标函数，正在拘束条件中引进了最劣网益微删率准则.使用条理散类法对于敏捷度举止散类分解，以决定待补偿面范畴，散合准则及拆分准则可灵验真止散类，不受随机性战人为搞扰效率.通过矫正将蚁群算法决定补偿位子战容量，能睹度果子与为候选节面敏捷度，使状态变化概率不妨随时反映补偿变更情况，矫正蚁群搜索战术可预防盲目补偿.4 归纳电力系统无功劣化是正在电力系统有功电源战有功背荷及有功潮流分集给定的情况下，采用收电机机端电压、有载调压变压器变比战无功补偿拆置的无功加进容量为统制变量，以收电机无功着力战PQ节面电压为状态变量，正在谦脚电力系统无功背荷的需要下，以有功网益、总无功补偿量、齐系统火电机组焚料的总费用为目标函数，通过采与百般劣化技能，寻得最佳补偿容量，革新系统无功分集，普及系统完齐的电压品量，包管电力网仄安、经济、宁静的供电.鉴于以上的思路，本文正在仔细介绍了了用于电力系统无功劣化的三种算法—遗传算法、粒子群算法、蚁群算法，仔细形貌了那三种算法的相闭知识，并正在此前提上提出了自己的矫正步伐.本文简曲的处事归纳如下:1）叙述了电力系统举止无功劣化的要害性战需要性，介绍了无功劣化范畴的钻研现状，正在阅读洪量的海内皮毛闭文件的前提上，归纳了用于无功劣化的保守算法战人为智能算法的个性，对于比了它们之间的好别，从中采用了遗传算法、粒子群算法、蚁群算法动做本文的钻研对于象.2）系统的归纳了现阶段无功劣化的几种数教模型，而且介绍了以有功网益、总无功补偿量、齐系统火电机组焚料的总费用为目标函数的三种数教模型，枚举了需要谦脚的百般等式战不等式拘束条件.3）介绍了百般算法的根源、基根源基本理、迭代公式战真止过程，正在此前提上仔细介绍了海内中几种比较乐成的矫正步伐:（1）矫正遗传算法的战术思维是构制一套给予每个个体繁殖次数的算法，根据个体正在下一代集体中的存正在数目去决定它繁殖后代的次数.个体的繁殖次数越多，被选中的概率便越大，它繁殖后代的几率便越大;好同个体的繁殖次数越少，被选中的概率便越小，它繁殖后代的几率便越小.（2）粒子群算法的矫正主要包罗惯性权沉的安排，教习果子的矫正，种群规模的采用，算法末止条件的设定等，而且与其余劣化算法相分离，与少补短，有针对于性的举止矫正，还不妨对于算法的拓扑结构举止矫正.（3）对于蚁群算法的矫正，主假如对于蚁群算法自己的表里部分举止钻研，还不妨对于疑息量与疑息素挥收果子举止自切合安排.参照文件[1]林周泉. 鉴于矫正遗传算法的电力系统无功劣化[D].北华大教，2013.[2]刘天琪.新颖电力系统分解表里与要收[M].华夏电力出版社，2007.[3]P.Subbaraj，P.N.Rajnarayanan. Optimal reactivepowerdispatchusingself-adaptive real coded genetic algorithm[J]. Electric Power Systems Research . 2008 (2)[4]蒲永白. 矫正遗传算法正在无功劣化中的应用钻研[D].山东大教，2007.[5]苏琳. 鉴于矫正遗传算法的电力系统无功劣化[D].西北接通大教，2006.[6]缓谱府. 典范法与遗传算法正在电力系统无功劣化中的应用钻研[D].北昌大教，2013.[8]俞悦. 电力系统无功劣化的矫正遗传算法及其步调真止[D].沉庆大教，2005.[9]解伟. 鉴于矫正粒子群算法的无功劣化钻研与应用[D].华北电力大教（北京），2007.[10] J. Kennedy，R. Mendes. Population Structure and Particle Swarm Performance [C].Proceedings of the IEEE Congress on Evolutionary Computation. Piscatawat. NJ，2002: 1671一1675.[11]姜辛. 鉴于矫正粒子群算法的电力系统无功劣化钻研[D].大连海事大教，2014.[12] Y Shi，R.C. Eberhart. Fuzzy Adaptive Particle Swarm Optimization [C]. Proceedings of the Congress on Evolutionary Computation. 搜索引擎劣化ul，Korea，2001:101一106. [13]Clerc M.，The swarm and the queenaowards a deterministic and adaptive particle swarm optimization，Proceedings of the Congress on Evolutionary Computation，Piscataway，1999，pp: 1951一1957.[14] Zhang W Liu Y. An adaptive PSO algorithm for reactive power optimization . Advances in power System Control Oplimization and Management，S6-Application of Artificial Intelligence Technique.Hongkong: China 2003: 1534=1538 [15]Abido MA Optimal power flow using particle swarm optimization. electric Power and Energy System 2002，24(7):563~571[16]陈宏章. 鉴于自切合蚁群算法的电力系统无功劣化钻研[D].电子科技大教，2008.[17]弛仲. 鉴于矫正蚁群算法的配电网无功劣化[D].少沙理工大教，2010.[18]谭紧柏. 鉴于朦胧蚁群算法的配电网无功劣化钻研[D].华北理工大教，2012.[19]王韶，周鑫. 应用条理散类法战蚁群算法的配电网无功劣化[J]. 电网技能，2011，08:161-167.。
基于改进内点法的含双馈型风电场的电力系统无功优化研究
第16卷第30期2016年10月 1671 — 1815(2016)30-0236-07科学技术与工程Science Technology and EngineeringVol. 16 No. 30 Oct. 2016©2016 Sci. Tech. Engrg.基于改进内点法的含双馈型风电场的电力系统无功优化研究郝晓弘1周勃2(兰州理工大学计算机与通信工程学院1 ,电气工程与信息工程学院2,兰州730050)摘要针对含双馈型风电场的电力系统无功补偿问题，建立了以有功网损最小、节点电压偏差最小为目标的无功优化模 型;并考虑了风电场旋转备用的约束，提出了跟踪中心轨迹内点法实现无功优化。
跟踪中心轨迹内点法在传统内点法基础上 引入自适应压缩因子，利用自适应压缩因子的动态收敛性，提高算法的局部搜索能力，从而提高算法的效率。
在IE E E14系统 中进行了仿真测试。
实验结果证明了提出的无功优化算法的有效性，算法能较好的减少有功网损；同时使其他目标函数值都 得到了不同程度的改善。
关键词双馈风力发电机无功优化 自适应压缩因子 改进内点法中图法分类号TM614; 文献标志码A在化石能源逐渐衰竭和全球环境不断恶化的大 背景下，新能源的发展越来越受到大家的关注。
其 中，风力发电由于具有资源可再生、环境污染小、能 耗低等优点，且风力发电技术相对成熟，近年来在我 国取得迅速发展。
但由于风速具有随机性、波动性 等特点，导致风电机出力的不确定性，使风电场并网 后给原有配电网的潮流带来很大影响[1’2]。
因此，对含双馈型风电场的电力系统进行无功优化研究显 得极其重要[3]。
电力系统无功优化涉及多个控制变量和约束条 件，属于典型的非线性优化问题，从优化方法本质来 看，主要分为传统的数学优化算法和智能优化算法。
智能优化算法由于其高效性，越来越成为研究的重 点。
文献[4]提出了改进差分进化算法对含风电场 的配电网进行无功优化，验证了算法的有效性。
电力系统中智能优化算法研究与应用
电力系统中智能优化算法研究与应用随着社会的发展和人们对能源的需求不断增加，电力系统的优化成为一项重要而复杂的任务。
为了提高电力系统的效率和可靠性，智能优化算法的研究和应用在电力系统中扮演着至关重要的角色。
智能优化算法是使用自适应技术来搜索最优解的一种方法。
在电力系统中，通过应用这些算法可以实现最佳的发电调度、电网规划、能源交易以及配电网优化等问题的解决。
本文将主要介绍电力系统中常用的几种智能优化算法及其应用。
首先，遗传算法是一种受到自然进化启发的算法。
它通过模拟自然选择和遗传机制来搜索问题的最优解。
在电力系统中，遗传算法被广泛应用于发电机组组合优化、输电线路规划以及电网调度等问题的求解。
通过遗传算法，可以在发电机组组合中找到最佳的发电机组合方案，以达到最佳的电力供应和经济效益。
其次，粒子群优化算法是一种基于群体行为的随机搜索算法。
它通过模拟鸟群或鱼群的行为规律来搜索最优解。
在电力系统中，粒子群优化算法常被用于电力系统的潮流计算、无功补偿以及最优负荷分配等问题的求解。
通过粒子群优化算法，可以有效地解决电力系统中的功率平衡问题，提高系统的稳定性和可靠性。
再次，模拟退火算法是一种基于物理退火过程的全局优化算法。
它通过模拟材料退火过程的温度和能量变化来搜索最优解。
在电力系统中，模拟退火算法常被用于电力系统经济调度、电网规划以及配电网优化等问题的求解。
通过模拟退火算法，可以得到最佳的电力系统运行方案，从而降低电网的运行成本和能源消耗。
此外，蚁群优化算法是一种基于蚂蚁觅食行为的随机搜索算法。
它通过模拟蚂蚁在寻找食物时的路径选择和信息共享来搜索最优解。
在电力系统中，蚁群优化算法常被用于电力系统的容量和潮流分析、电力市场交易以及电网规划等问题的求解。
通过蚁群优化算法，可以找到电力系统中最佳的输电线路方案和容量配置，从而提高系统的可靠性和经济性。
综上所述，电力系统中智能优化算法的研究和应用对于提高电力系统的效率和可靠性具有重要意义。
基于智能优化算法的电力系统无功优化的研究
基于智能优化算法的电力系统无功优化的研究
段颖梨
【期刊名称】《电子测试》
【年(卷),期】2018(000)024
【摘要】本文介绍了电力系统无功优化问题和相关模型,并且对于智能优化算法在电力系统无功优化问题中的应用现状进行总结,指出了各种算法在解决此类问题时的实际情况,并对其研究前景进行了展望.
【总页数】3页(P40-41,80)
【作者】段颖梨
【作者单位】黑龙江科技大学电气与控制工程学院,黑龙江哈尔滨,150022
【正文语种】中文
【相关文献】
1.基于分解的智能优化算法在电力系统无功优化中的仿真研究 [J], 康健;周庆庆
2.基于人工智能算法的电力系统无功优化调度研究 [J], 彭嘉宁
3.基于发电机运行实际的电力系统日前动态无功优化研究 [J], 陆彬;高山;李德胜
4.基于灵敏度分析的电力系统无功优化方法研究 [J], 王诗荣;张师
5.基于发电机运行实际的电力系统日前动态无功优化研究 [J], 陆彬;高山;李德胜因版权原因，仅展示原文概要，查看原文内容请购买。
电力系统中的智能优化算法技术综述
电力系统中的智能优化算法技术综述随着电力系统规模的不断扩大和复杂性的增加，传统的运行和控制策略已经不能满足日益增长的电力需求和系统稳定性要求。
因此，电力系统中的智能优化算法技术逐渐成为了解决这一问题的重要途径。
本文将对电力系统中的智能优化算法技术进行综述，介绍其基本原理、应用领域和发展趋势。
首先，让我们来了解电力系统中的智能优化算法技术的基本原理。
在电力系统中，智能优化算法是通过利用数学模型和计算机模拟等手段，对电力系统进行数据分析、优化和决策，以实现在不同条件下的最佳运行方案。
这些算法通常基于遗传算法、粒子群算法、模拟退火算法和人工神经网络等，通过不断迭代和优化，实现对电力系统的运行状态进行自动调整和优化。
其次，电力系统中的智能优化算法技术在各个领域都有广泛的应用。
其中，最常见的应用领域之一是电力负荷预测。
通过对历史数据的分析和建模，智能优化算法可以预测未来一段时间内的电力负荷情况，从而帮助电力系统运营商优化发电计划和电力分配策略，提高系统的运行效率。
另一个重要的应用领域是电力系统的输电线路优化。
传统的输电线路规划通常以最短路径为目标，没有考虑到电力系统的负荷分布情况和线路容量限制。
而智能优化算法可以通过考虑这些因素，优化输电线路的设计和规划，减少电力系统的能耗和成本，并提高线路的可靠性。
此外，智能优化算法还可以应用于电力系统的潮流计算和稳定性分析。
电力系统的潮流计算是指通过解析电力系统的潮流方程，计算出系统中各个节点的电压和功率。
而稳定性分析则是通过分析系统在各种异常情况下的响应和稳定性指标，评估电力系统的运行状态。
智能优化算法可以通过对系统参数的优化和调整，提高系统的潮流计算和稳定性分析的准确性和效率。
随着电力系统的智能化和自动化程度越来越高，智能优化算法在电力系统中的应用也不断发展和演进。
近年来，智能优化算法已经在电力系统中得到了广泛应用，并取得了一些重要的研究成果。
未来，随着新兴技术的不断涌现和算法性能的不断提升，电力系统中的智能优化算法技术将会有更广泛的应用和更高的效益。
智能优化算法及其在电力系统无功优化中的应用研究
智能优化算法及其在电力系统无功优化中的应用研究1. 本文概述随着电力系统规模的不断扩大和复杂性的增加，如何有效地进行电力系统的无功优化已成为当前电力系统运行与控制领域的重要研究课题。
无功优化不仅关系到电力系统的稳定运行，还直接影响着电能的传输效率以及系统的经济效益。
研究和开发高效、智能的无功优化算法具有重要的理论价值和实践意义。
本文旨在探讨智能优化算法在电力系统无功优化中的应用研究。
我们将对智能优化算法的基本概念、特点和发展现状进行简要介绍，为后续研究奠定理论基础。
随后，将详细分析电力系统无功优化的数学模型及其求解难点，从而明确智能优化算法在该领域的应用潜力。
在此基础上，我们将重点探讨几种典型的智能优化算法（如遗传算法、粒子群优化算法、蚁群算法等）在电力系统无功优化中的具体应用方法，并通过实例仿真验证其有效性和优越性。
我们将对智能优化算法在电力系统无功优化中的未来发展趋势进行展望，以期为相关领域的研究和实践提供有益的参考和借鉴。
2. 智能优化算法基本原理智能优化算法是一类模拟自然界中生物进化、物理现象、社会行为等过程来解决复杂优化问题的算法。
这些算法通常具有自组织、自适应和学习能力，能够在没有明确解决方案模型的情况下，通过迭代搜索找到问题的最优或近似最优解。
在电力系统无功优化领域，智能优化算法因其良好的全局搜索能力和鲁棒性而受到广泛关注。
遗传算法是受生物进化过程中自然选择和遗传机制启发的一种搜索启发式算法。
它通过模拟生物种群进化过程，采用选择、交叉和变异等操作，不断迭代产生新的解，直至找到最优解。
在电力系统无功优化中，GA能够有效地处理多目标、多约束问题，具有较强的全局搜索能力。
粒子群优化算法是模拟鸟群或鱼群社会行为的搜索算法。
在PSO 中，每个“粒子”代表问题空间中的一个候选解，粒子通过跟踪自己的历史最佳位置和整个群体的最佳位置来调整自己的飞行轨迹。
粒子群优化算法因其简单易实现、参数少、收敛速度快等特点，在电力系统无功优化中得到了广泛应用。
基于NSGA-Ⅱ算法的含风电场的电力系统动态经济调度
基于NSGA-Ⅱ算法的含风电场的电力系统动态经济调度郝晓弘;何侃【摘要】本文针对风功率的不确定性,大规模风电并网给电力系统调度带来很多问题,考虑了风电功率波动对动态经济调度旋转备用的约束,在优化目标中计及了火电机组阀点效应和最小化污染物排放量对发电成本的影响.在10机系统上采用NSGA-Ⅱ算法进行仿真,并通过与改进的粒子群算法和遗传算法进行比较,验证了该算法对含风电场电力系统动态经济调度模型求解的合理性和优越性.%In this paper,due to the uncertainty of wind power,in response to large-scale wind power to the power grid after the impact of the system operator.Considering the wind power fluctuations on the dynamic economic dispatch of spinning reserve constraints.In the optimization goal,the account of the impact of thermal power valve point effect and minimize pollutant emissions for power generation costs.Adopted NSGA-Ⅱ algorithm simulation based on a typical 10 units test power system,and through improved PSO and genetic algorithm is verified by comparing the algorithm in wind power system dynamic scheduling model to solve economic rationality and superiority.【期刊名称】《电子设计工程》【年(卷),期】2017(025)011【总页数】6页(P170-175)【关键词】风电;动态经济调度;NSGA-Ⅱ算法;调度模型【作者】郝晓弘;何侃【作者单位】兰州理工大学计算机与通信学院,甘肃兰州730050;兰州理工大学电气工程与信息工程学院,甘肃兰州730050【正文语种】中文【中图分类】TN-9近些年来，风电发展速度迅猛，风力发电在电网中所占的比例不断增加，给电网带来了很大的冲击，使电网的不确定性增大，尤其是大规模风电接入后电网的安全与稳定性问题[1]。
智能算法在电力系统无功优化中的应用综述
智能算法在电力系统的无功优化中的应用1 引言电力系统的无功优化问题主要包括对电力系统中的电力无功补偿装置投入的地点、容量的确认,以及发电机端电压的配合和载调压变压器分接头的调节等,因此,电力系统中的无功优化问题就是一个带有大量约束条件的非线性规划问题;由于电力系统在社会发展过程中的重要作用,长期以来很多专家和学者都对电力系统中的无功优化问题进行了大量的研究,并且采用很多方法来对电力系统无功优化问题进行求解;自从二十世纪六十年代,J. Carpentier 提出了电力系统最优潮流数学模型之后,对电力系统无功优化问题的研究更是得到了长足的发展;目前,随着各种数学优化方法和信息技术的发展,电力系统的无功优化问题的研究也进入了一个新的领域1;目前电力系统无功优化问题的算法主要有经典数学优化方法和人工智能优化方法两种;绝大多数的学者研究把连接电源点和负荷点或两个负荷点之间的馈线段作为研究对象,把这条线路作为最小的接线单元,用近年来出现的智能算法进行寻优,如遗传算法、免疫算法、禁忌搜索算法、粒子群算法、蚁群算法、模拟退火算法等;2 无功优化的数学模型无功优化问题在数学上可以描述为:在给定系统网络结构和参数以及系统负荷的条件下,确定系统的控制变量,满足各种等式、不等式约束,使得描述系统运行效益的某个给定目标函数取极值;其数学模型2表示为:min (,)..(,)0(,)0f u x s t g u x h u x ⎫⎪=⎬⎪≤⎭式中,f 表示目标函数,u 是控制变量,包括发电机的机端电压、有载调压变压器的变比、无功补偿装置的容量;x 是状态变量,通常包括各节点电压和发电机的无功出力;无功优化模型有很多种类,大体有以下几种模型:1以系统的有功网损最小为优化的目标函数,在减少系统有功功率损耗的同时改善电压质量:2(,)(,)min min()min (2cos )l l ij ji ij i j i j ij i j n i j n f P P G U U U U θ∈∈=+=+-∑∑其中:l n 表示所有支路的集合,n 表示系统的总节点数,i U ,j U 分别为节点i,j 的电压,ij θ 是节点i,j 的相角差;2以系统的总无功补偿量最小为目标函数,这样能使总的补偿费用达到最小1min min ()cN i ci L i f Q P αβ==⨯+⨯∑式中,i α表示节点i 的无功补偿年费用系数,c N 为补偿总结点数,ci Q 为节点i的无功补偿容量,β为有功网损费用系数,L P 为系统有功网损;3以全系统火电机组燃料的总费用为目标函数,即min min ()G i Gi i n f K P ∈=∑式中,G n 是全系统所有发电机的集合,()i Gi K P 为第i 台发电机的耗量特性,一般用二次多项式表示,Gi P 为第i 台发电机的有功出力;3 智能算法遗传算法遗传算法直接对求解对象进行选择、交叉和变异操作,遗传算法的主要特点是对参数编码进行操作,而不是对参数本身；同时对多个点的编码进行搜索,采用随机转换规则,而非确定性规则3;遗传算法以其简单通用、鲁棒性强、应用范围广、符合并行处理要求等特点,使得遗传算成为了二十一世纪最关键的智能计算之一;在遗传算法众多的应用领域中,组合优化是遗传算法最基本、最终要的应用领域之一4;组合优化问题实质在有限的、离散的数学结构上,找到一个能够满足所有约束条件,并且能够取到目标函数最大值和最小值的解;例如电力系统的无功优化问题就是一个典型的组合优化问题;遗传算法的原理简单遗传算法的遗传方式比较简洁,即在转盘赌选择、单点交叉及变异等遗传操作下进行优化,这种选择方法是主要是根据依据每个个体的适应度值在整个种群中的比重来判断是否被选择,所以个体被选中的概率与其适应度值成正例的关系5;它所需要时间长,一般不采用;假设群体规模为N,i f 为群体中第i 个染色体的适应度值,它被选择的概率i p 为:1/Ni i i i p f f ==∑,i=1,2,3,…,N;再将圆盘分成N 份,每份扇形的中心角度为12(/)Ni i i f f π=∑ ;则其选择实现步骤是:在0,1范围内随机产生一个随机数r,若111i ij j j j pr p -==<<∑∑,则选择个体i ,这样可知个体的适应度值越大,该个体所占的扇形空间就大,则被选中的可能性也就越大;所以选择方法是按照适者生存的原则来进行的,只有适应度值大的个体才有机会被保留在下一代群体中,从而可提高整个群体的平均适应度值; 遗传算法改进措施该改进遗传算法的策略思想是构造一套赋予每个个体繁殖次数的算法,根据个体在下一代群体中的生存数目来确定它繁殖后代的次数;个体的繁殖次数越多,被选中的概率就越大,它繁殖后代的几率就越大;相反个体的繁殖次数越少,被选中的概率就越小,它繁殖后代的几率就越小,该算法充分体现出遗传算法中优胜劣汰的思想;它的优点是容易实施操作,不仅提高了算法的搜索速度,还有利于全局最优解的搜索6;基于以上的描述,赋予每个个体繁殖次数的选择策略具体操作过程如下:1）计算群体中各个个体适应度值i f ,i=1,2,…,N ；2）计算群体中所有个体适应度值的和1Ni i f =∑ ；3）计算群体中各个个体在下一代群体中的期望的繁殖次数iM 1int[/]Ni i j j M N f f α==**∑其中,α 为调整因子,一般取 1.52α=;4）随机选择种群中的一个个体,如果它的生存数目大于0,这个个体就被选中,用来繁殖一次后代,然后它的繁殖数目减1;如果等于0,则被舍弃; 遗传算法应用于电力系统的无功优化文献7认真研究了简遗传算法在无功优化中的应用,作为一种以网损微增率为核心的优化方法,该方法具有简单方便、优化速度快等特点;文献8针对电力系统的无功优化问题,建立以电力系统中,电能损耗最小作为电力系统无功优化问题的目标函数,并且发电机无功越限、节点电压越限作为问题的惩罚函数来进行电力系统无功优化数学模型的研究;然后,针对电力系统无功优化的特点,进行遗传算法的改进,并且对改进遗传算法中的染色体编码算法,选择、变异、交叉等遗传算子,适应度函数的设计以及终止条件的确定等方面,对改进遗传算法的设计进行研究;粒子群算法粒子群优化算法Particle Swarm Optimization,简称PS0是一种基于群体智能的随机搜索优化算法,最早由Kennedy 和Eberhart 于1995年提出;该算法最初源于对鸟群捕食行为的研究,后来发现粒子群是一种很好的优化工具;与其他进化算法相类似,粒子群算法通过个体间的协作与竞争,实现复杂空间中最优解的搜索9;粒子群算法首先随机生成初始种群,在可行解空间中随机产生一群粒子潜在的解,每个粒子将在解空间中运动,并在粒子的每一维中有一个速度决定其前进的方向;通常粒子追随当前的最优粒子而动,并逐代搜索最后得到最优解;在每一代中,粒子将跟踪两个极值,一为粒子本身迄今找到的最优解pbest 另一为全种群迄今找到的最优解动gbest,粒子群中每个粒子通过跟踪自己和群体所发现的最优值,不断修正自己的前进方向和速度,从而实现寻优10;粒子群算法的步骤基本粒子群算法步骤如下11:步骤1:初始化;设定粒子群参数:种群规模N,维数D,搜索空间上下限d L 和d U ,学习因子c1和c2,算法最大迭代次数max T ,粒子速度范围min,max []v v ,随机初始化粒子的位置i x 和速度i v ,选择适应度目标函数;步骤2:选取适应度目标函数并计算粒子的适应度值;将粒子的当前适应度和位置作为粒子的个体最优值和最优位置,从个体最优值中找出适应度值最好的粒子最优值作为全局最优值,并记录其位置为;步骤3:对粒子速度和位置进行更新;步骤4:将更新后的适应度值和粒子自身的个体最优值进行比较,若更新后的适应度值更加优秀,则用其替换原个体最优值,并更新当前最优位置,将更新后的各粒子最优值t 与原全局最优值,进行比较,若更新后的适应度值更加优秀,更新全局最优值和全局最优粒子位置;步骤5:判断是否满足终止条件;根据设定的判别条件进行判别通常为最大迭代次数或最小误差,如果满足判别条件,则停止迭代,输出最优解;否则返回步骤3,继续进行迭代;步骤6:输出最优值和最优位置,算法运行结束;粒子群算法改进措施粒子群算法由于其迭代后期容易陷入局部最优,收敛精度低,易发散等缺点,需要对粒子群算法进行一些修正和改进,主要有以下三点措施:1基于粒子群中各种参数的改进,主要包括:惯性权重的调节,学习因子的改进,种群规模的选取,算法终止条件的设定等；2与其他优化算法相结合,取长补短,有针对性的进行改进；3算法拓扑结构的改进,拓扑结构主要分为全局版和局部版两种,可针对这两种分别进行改进;文献12为了解决惯性权重的费时低效问题,提出了一种非线性动态策略—基于反正切函数的惯性权重;在粒子群算法的公式中,学习因子cl和c2决定了粒子自身经验和群体经验对粒子运动轨迹的影响,反映了粒子间信息交流的强弱,因此合理的设置c1和c2将有利于种群尽快的寻找到最优解;文献13提出一种线性调整学习因子的策略,它的主导思想是c1先大后小,c2先小后大,总体来说就是,在粒子群进行搜索的初始阶段,粒子的飞行主要依照粒子本身的经验,当搜索到后期阶段时,粒子的飞行更加注重群体社会的经验;该方法经过验证能得到理想的效果,但是由于后期种群的多样性丧失,容易早熟收敛;粒子群算法应用与电力系统无功优化文献14将自适应粒子群算法应用于IEEE30节点系统的无功优化问题中,通过在优化过程中自动调节粒子群算法的有关参数实现无功的优化计算;文献15应用粒子群算法求解电力系统的最优潮流问题,根据模拟退火原理确定粒子群算法的惯性权重因子值,以改进粒子群算法的性能,仿真计算结果显示,粒子群算法在解决最优潮流问题时有很好的应用前景;蚁群算法受蚁群在觅食过程中总能找到一条从蚁巢到食物源的最短路径启发,意大利Dorigo M,Maniezzo V,Colorni A等人经过大量的观察和实验发现,蚂蚁在觅食过程中留下了一种外激素,又叫信息激素;它是蚂蚁分泌的一种化学物质,蚂蚁在寻找食物的时候会在经过的路上留下这种物质,以便在回巢时不至十迷路,而且方便找到回巢的最好路径;由此,Dorigo M等人首先提出了一种新的启发式优化算法,叫蚁群算法ACA;蚁群算法是最新发展的一种模拟昆虫土国中蚂蚁群体智能行为的仿生优化算法,它具有较强的鲁棒性、优良的分布式计算机制、易十与其他方法相结合等优点;该算法首先用十求解着名的旅行商问题简称TSP 并获得了较好的效果;在上个世纪90年代中期,这种算法逐渐引起了许多研究者的注意,并对该算法作了各种改进或将其应用十更为广泛的领域,取得了一些令人鼓舞的成果;蚁群算法的原理蚁群算法的过程16可描述为：1初始化:将蚂蚁分布于各个城市并初始信息素及蚂蚁数量等等;2构造环游:首先对每只蚂蚁用转移概率在记忆表中没有的城市中选择要移动的下一个城市,将所选城市放入记忆表,当每只蚂蚁环游一圈后,计算环游长度,局部更新信息素;3全局更新信息素:所有蚂蚁环游一圈后,用信息素更新规则更新各边上的信息素;然后比较所有的环游长度,找出最短长度;最后将记忆表清空,回到上一步;4不断迭代直至满足停止条件;停止条件一般是设定迭代次数或者满足所求问题的精度要求;由上述可知:蚁群算法的优化过程本质在于:1选择机制;路径的信息量越大,被选择的概率也越大;2更新机制;每条路径上的信息量会随蚂蚁的经过而增长,但同时也会随着时间的推移逐渐减小;3协调机制;蚁群算法中,蚂蚁之间是通过信息量要相互通信的;这种机制使得蚁群算法有很强的发现较好解的能力;蚁群算法的改进措施蚁群算法在解决简单或者复杂优化问题时都表现出了良好的性能,但在处理像电力系统无功优化这样的大规模问题时,蚁群算法依然暴露出了一些缺点17;如:1算法容易出现停滞现象,当蚁群搜索一段时间后,由十算法的全局搜索能力不足,蚁群会过早的收敛十局部最优解;2结果经常在局部与全局最优解之间反复,导致搜索时间过长;为了解决蚁群算法在这两个方面不足,许多学者都在致力于蚁群算法的改进研究;文献18对蚁群算法本身的理论部分进行研究,针对蚁群算法应用于求解无功优化等复杂非线性优化问题中容易发生“早熟”和收敛速度慢等问题,提出了几点有效的改进策略,对蚁群算法加以改进;通过改进,蚁群算法在寻优过程中能够很好地跳出局部最优解,增强了全局寻优能力和提高了计算精度,同时保留了基本遗传算法的优点;文献17在总结了国内外蚁群算法的研究成果,并讨论一种自适应蚁群算法用于电力系统动态无功优化问题;其自适应蚁群算法主要涉及到概率选择,信息量与信息素挥发因子的自适应调整以及信息素的更新策略;文献19提出了基于层次聚类法和蚁群算法的配电网无功优化方法;该方法以有功网损最小建立目标函数,在约束条件中引入了最优网损微增率准则;运用层次聚类法对灵敏度进行聚类分析,以确定待补偿点范围,聚合原则及拆分原则可有效实现聚类,不受随机性和人为干扰影响;通过改进将蚁群算法确定补偿位置和容量,能见度因子取为候选节点灵敏度,使状态转移概率能够随时反映补偿变化情况,改进蚁群搜索策略可避免盲目补偿;4 总结电力系统无功优化是在电力系统有功电源和有功负荷及有功潮流分布给定的情况下,选取发电机机端电压、有载调压变压器变比和无功补偿装置的无功投入容量为控制变量,以发电机无功出力和PQ节点电压为状态变量,在满足电力系统无功负荷的需求下,以有功网损、总无功补偿量、全系统火电机组燃料的总费用为目标函数,通过采用各种优化技术,寻得最佳补偿容量,改善系统无功分布,提高系统整体的电压质量,保证电力网安全、经济、稳定的供电;基于以上的思路,本文在详细介绍了了用于电力系统无功优化的三种算法—遗传算法、粒子群算法、蚁群算法,详细描述了这三种算法的相关知识,并在此基础上提出了自己的改进措施;本文具体的工作总结如下:1论述了电力系统进行无功优化的重要性和必要性,介绍了无功优化领域的研究现状,在阅读大量的国内外相关文献的基础上,总结了用于无功优化的传统算法和人工智能算法的特点,对比了它们之间的差异,从中选取了遗传算法、粒子群算法、蚁群算法作为本文的研究对象;2系统的总结了现阶段无功优化的几种数学模型,并且介绍了以有功网损、总无功补偿量、全系统火电机组燃料的总费用为目标函数的三种数学模型,列举了需要满足的各种等式和不等式约束条件;3介绍了各种算法的来源、基本原理、迭代公式和实现流程,在此基础上详细介绍了国内外几种比较成功的改进措施:1改进遗传算法的策略思想是构造一套赋予每个个体繁殖次数的算法,根据个体在下一代群体中的生存数目来确定它繁殖后代的次数;个体的繁殖次数越多,被选中的概率就越大,它繁殖后代的几率就越大;相反个体的繁殖次数越少,被选中的概率就越小,它繁殖后代的几率就越小;2粒子群算法的改进主要包括惯性权重的调节,学习因子的改进,种群规模的选取,算法终止条件的设定等,并且与其他优化算法相结合,取长补短,有针对性的进行改进,还可以对算法的拓扑结构进行改进;3对蚁群算法的改进,主要是对蚁群算法本身的理论部分进行研究,还可以对信息量与信息素挥发因子进行自适应调整;参考文献1 林周泉. 基于改进遗传算法的电力系统无功优化D.南华大学,2013.2 刘天琪.现代电力系统分析理论与方法M.中国电力出版社,2007.3,J. Electric Power Systems Research . 2008 24 蒲永红. 改进遗传算法在无功优化中的应用研究D.山东大学,2007.5 苏琳. 基于改进遗传算法的电力系统无功优化D.西南交通大学,2006.6 徐谱府. 经典法与遗传算法在电力系统无功优化中的应用研究D.南昌大学,2013.7 ,,,. Pseudo-parallel genetic algorithm for reactive power optimization. IEEE transactions on power engineering society:903-908 general meeting,8俞悦. 电力系统无功优化的改进遗传算法及其程序实现D.重庆大学,2005.9解伟. 基于改进粒子群算法的无功优化研究与应用D.华北电力大学北京,2007. 10J. Kennedy,R. Mendes. Population Structure and Particle Swarm Performance C.Proceedings of the IEEE Congress on Evolutionary Computation. Piscatawat. NJ,2002: 1671一1675.11 姜辛. 基于改进粒子群算法的电力系统无功优化研究D.大连海事大学,2014.12 Y Shi,. Eberhart. Fuzzy Adaptive Particle Swarm Optimization C. Proceedings of the Congress on Evolutionary Computation. Seoul, Korea, 2001:101一106.13Clerc M.,The swarm and the queenaowards a deterministic and adaptive particle swarm optimization,Proceedings of the Congress on Evolutionary Computation, Piscataway,1999,pp: 1951一1957.14 Zhang W Liu Y. An adaptive PSO algorithm for reactive power optimization . Advances in power System Control Oplimization and Management,S6-Application of Artificial Intelligence kong: China 2003: 1534=153815Abido MA Optimal power flow using particle swarm optimization. electric Power and Energy System 2002,247:563~57116 鲜宏章. 基于自适应蚁群算法的电力系统无功优化研究D.电子科技大学,2008.17 张仲. 基于改进蚁群算法的配电网无功优化D.长沙理工大学,2010.18 谭松柏. 基于混沌蚁群算法的配电网无功优化研究D.华南理工大学,2012.19 王韶,周鑫. 应用层次聚类法和蚁群算法的配电网无功优化J. 电网技术,2011,08:161-167.。
一种新型智能化热继电器的设计与实现
一种新型智能化热继电器的设计与实现
马洪飞;杨新华;郝晓弘
【期刊名称】《甘肃科学学报》
【年(卷),期】2007(19)3
【摘要】基于PIC16F876单片机设计了一种电子式热继电器.它以检测到的三相电流值为依据,通过控制算法模拟热继电器的热记忆功能和反时限动作特性,可以在发生过载、三相不平衡、缺相等故障时实现对电机的保护.样机测试表明该继电器工作可靠、实时性好,而且容易实现.
【总页数】3页(P100-102)
【作者】马洪飞;杨新华;郝晓弘
【作者单位】兰州理工大学,电气工程与信息工程学院,甘肃,兰州,730050;兰州理工大学,电气工程与信息工程学院,甘肃,兰州,730050;兰州理工大学,电气工程与信息工程学院,甘肃,兰州,730050
【正文语种】中文
【中图分类】TM582;TP273
【相关文献】
1.一种新型智能化热继电器的设计与实现 [J], 马洪飞;杨新华;郝晓弘
2.保护机械设备的一种新型继电器：—冲击过负荷保护继电器 [J], 蔡永兴;蔡玄章
3.一种新型交流固体继电器--高电压高冲击电流交流固体继电器 [J], 朱煜
4.一种新型智能化鱼缸的设计与实现 [J], 黄多辉;王汉森
5.一种新型的继电器——可编程控制继电器在长丝后纺加弹机上的应用 [J], 赵瑾;申忠宇
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Vm ax i
+
V
m i
in
,
2
$Umi ax 表示在节点上最大允许的电压偏
差 $Umi ax = Umi ax - Umi in。
112 电力市场下的数学模型
从优化无功补偿地点及容量出发的数学模型:
由倪以信等提出了考虑无功成本的电力市场下
的无功优化模型, 其目标函数为系统发电总成本 C。
C=
E
iI N
从系统安全性和电能质量出发的数学模型:
m
in f
=
m
n
in E i= 1
| Ui
-
U spec i
$Umi ax
|
( 10)
度。近年来, 智能优化算法的发展为无功优化另辟 了一条蹊径, 表 1比较了传统优化算法和智能优化 算法在无功优化中的优缺点。
式中 n 是指系统的母线数, Ui 表示节点 i 的电压幅
最常见也是通常采用的目标函数是在满足运行条件
约束的前提下, 靠改变电网的电压、无功分布来降低
系统有功网损, 实现有功网损最小。
经典的数学模型为:
m
in
f=
nl
m in E G k = 1 k( i, j)
[
U
2 i
+
U2j
-
2Ui Uj
cos( Di -
Dj ) ]
( 1)
式中: nl 为网络总支路数; Gk( i, j) 为支路 i - j的电导; Ui、Uj 分别为节点 i、j的电压; Di、Dj 分别为节点 i、j 的相角。当系统的传输容量有足够的裕度时, 这种
# 12#
工业仪表与自动化装置
2010年第 2期
智能优化算法在无功优化中的应用综述
郝晓弘, 张 阳
(兰州理工大学 电气工程与信息工程学院, 兰州 730050) 摘要: 对无功优化的研究现状进行了总结, 对现有的无功优化算法进行了分类。重点介绍了智 能优化算法在电力系统无功优化中的应用及其优缺点, 在此基础上, 概括了几种常用混合优化算 法。最后指出了无功优化的发展趋势。 关键词: 无功优化; 智能优化算法; 混合优化算法 中图分类号: TM 711 文献标志码: A 文章编号: 1000- 0682( 2010) 02- 0012- 04
目前, 应用在无功优化中的智能优化算法有以 下几种。 211 模拟退火算法
模拟退火算法是一种基于热力学的退火原理建 立起来的启发式随机搜索算法, 理论上它是一个全 局最优算法, 所以它的计算结果较精确。该算法寻 优结束时能得到优化问题的最小值, 但其参数的选 取比较复杂, 为了使最终解尽可能接近全局最优, 退 火过程不能太快, 这又使计算时间加长。文献 [ 1] 正是使用该方法进行无功优化的研究, 它们很好地 处理了优化计算中离散变量和连续 变量共存的现 象, 但只考虑了无功源的配置而未对发电机电压及 变压器分接头位置进行处理。 212 遗传算法
K ey w ords: reactive pow er optim izat ion; in telligen t optim izat ion a lgorithm s; hybird optim ization a-l gorithm s
0 引言
随着国民经济的发展, 用电量大幅度增加, 电网 的经济运行日益受到重视, 通过无功优化可以改善 电压质量, 降低运行网损以及提高系统运行的安全 稳定性, 所以无功优化应用在电力系统中就显得尤 为重要。电力系统无功优化问题是一个多目标、多 变量、多约束的混合非线性规划问题, 其优化变量既 有连续变量如节点电压, 又有离散变量如变压器调 压档位、无功补偿装置组数等, 这样使得整个优化过 程十分复杂, 其中对离散变量的处理更是增加了优 化的难度。该文对其中的无功优化问题及其研究现 状进行分析, 希望能够对今后的研究有所帮助。
( 7)
UD jm in [ UD j [ UD jmax, j= 1, 2, ,, N D
( 8)
其中: 式 ( 2)和式 ( 3)为等式约束即满足潮流方程,
UG 、Q C、T t 分别为发电机机端电压、无功补偿量和变
2010年第 2期
工业仪表与自动化装置
# 13#
压器变比; UD 、QG 分别为负荷节点电压和发电机无 功出力; N G、N C、N T、ND 分别 为系统中发电机、无功 补偿节点、有载调压变压器和负荷节点的数目。
值,
U spec i
表示节点
i 上期望的电压幅值, 通常
Usp ec i
=
表 1 传统无功优化算法和智能优化算法比较
优点
缺点
传统无功优化算法 数据稳定, 收敛可靠
难以处理离散变量, 容易陷入 局部 最优, 存在 / 维数灾 0问题
智能优化算法
方便处 理离散变量, 对目标 函数没 有特殊 的要求, 不存 在 / 维数 容易陷入局部最优, 后期搜索 效率 灾 0问题, 全局搜索 能力强, 能以较大的概率搜索到全局最优解 不高
( 3)
UG im in [ UG i [ UG imax, i= 1, 2, ,, N G
( 4)
QC jm in [ QC j [ QCjmax, j= 1, 2, ,, N C
( 5)
T tkm in [ T tk [ T tkmax, k = 1, 2, ,, N T
( 6)
QG im in [ QG i [ QG imax, i= 1, 2, ,, N G
213 人工神经网络 人工神经网络又称连接机制模型或并行分布处
理模型, 是由大量简单元件广泛连接而成的, 用以模 拟人脑行为的复杂网络系统。人工神经网络以其高 维性、并行分布式信息处理性、非线性以及自组织自
学习等优良特性应用于电力系统。文献 [ 4] 以网损 最小为目标, 提出了用 BP 模型对 多抽头的配电网 电容器进行 实时控 制, 采 用了 两层 人工 神经网 络 ( ANN) 结合。这种结构要求的 ANN 离线训练时间 少。文献 [ 5] 以网损和投切运行费用最小 为目标, 应用人工神经网络 H opfield模型来确定无功最优补 偿。神经网络法收敛特性好, 但是自我学习周期较
的母线数。在母线 j 处加装无功补偿器, 其容量 Sj = U j2B j。按系统的额定电压计算即标幺值 Uj = 1。 另外, 由于 电容器补偿, Bj 值为正; 电抗器 补偿, Bj 值为负, 为使其均为正值所以取平方。
2 智能优化算法在无功优化中的应用
市场需求。 113 其他数学模型
由于无功优化的复杂性, 使得传统的优化算法 在一定程度上已经不能满 足电力系统所要 求的精
Abstract: In th is paper, it dep ict the present research status o f react ive pow er optim izat ion, m eanw hile the present algorithm s w ere c lassif ied1 F ocused on intelligent optim izat ion a lgorithm s in reactive pow er optim izat ion and its advantages and d isadvantages, on this basis, introduce severa l kinds o f hybird optim izat ion algorithm s in general1 F inally, indicate the react ive pow er optim izat ion deve lopm ent trends1
# 14#
工业仪表与自动化装置
2010年第 2期
长, 而且很容易陷入局部极值。 214 禁忌算法
禁忌算法是一种限制性的搜索技术, 能通过记 录搜索历史, 在搜索过程中获得知识, 并利用它可知 后续的搜索方向以避开局部最优解, 适合于解决组 合优化问题, 能够有效地处理不可微的目标函数。 文献 [ 6] 首先生成灵敏度表, 选取灵敏度较大的一 组节点作为投切控制点, 用禁忌算法进行搜索, 探讨 了配电网补偿电容器优化投切 0- 1组合优化问题。 禁忌算法寻优速度较快, 但不能在整个寻优空间同 时开始搜索。因此初值的好坏直接影响到算法的收 敛速度和解的质量。 215 模糊优化法
G
[
C gp
i
(PG
i
)
+
Cg qi (QG i )
]
+
E
iI N
C
C
cj
(Q cj
)
n
m
in
f
=
m
inE j=
C
1
j
B
2 j
( 11)
式中 Cj 为母线 j 加装无功补偿的费用; B j 为母线 j
加装电抗器、电容器的等效导纳值; n 为加装补偿器
( 9) 其中: N G 为发电机节点总数; N C 为具有无功补偿器 的节点总数; Cgp i (PG i )为节点 i 有功发电成本函数; Cgqi (QG i )为节点 i无功发电成本函数; C cj (Q cj )为节 点 j 的无功补偿器运行成本函数。此优化模型可以 对无功优化问题的结果进行一定的修正, 适应电力
传统方法在处理配电网无功优化时, 一般用不 断搜索的方式, 不能处理多元约束问题, 而模糊优化 法是通过引入模糊集理论, 使一些不确定的问题得 到解决。文献 [ 7] 通过求解有功负荷和节点电压的 隶属度函数, 用模糊优化法优化配电网的电容器投 切, 使配电网无功功率得到有效控制, 减少了配电网 的网损并提高了其电压质量。模糊优化法所需的信 息量少, 智能性强, 迭代次数少, 所以计算速度快于 非模糊优化法。但是它只是对一些不确定问题分析 有效, 对于精确的概念会使问题复杂化。 216 专家系统法